PulseAugur
中
实时 07:21:29
English(EN) destroR: A Benchmark and Adversarial-Training Defense for Bangla Transfer Models under Meaning-Preserving Attacks

新的基准测试destroR测试并防御孟加拉语NLP模型免受攻击

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出destroR，这是一个旨在评估和增强孟加拉语迁移模型对抗鲁棒性的新流程。该系统包括三种新颖的保持意义的攻击方法：释义攻击、回译攻击和独热词替换攻击。这些攻击旨在扰乱输入，同时保持语义保真度和流畅性，从而测试模型的弹性。随附的基准测试评估了包括BanglaBERT和XLM-RoBERTa在内的五个迁移模型，针对这些攻击和其他基线攻击，结果显示词替换攻击比语义受限的攻击更有效。对抗训练被发现可以提高所有测试模型的鲁棒性，其中多语言MuRIL骨干模型比特定于孟加拉语的模型显示出更强的弹性。 AI

影响 引入了评估和改进NLP模型（特别是针对资源匮乏语言）对抗攻击鲁棒性的新方法。

排序理由 该项目是一篇研究论文，详细介绍了一个新的NLP模型基准测试和防御机制。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的基准测试destroR测试并防御孟加拉语NLP模型免受攻击

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Saadat Rafid Ahmed, Rubayet Shareen, Radoan Sharkar, Nazia Hossain, Mansur Mahi, Farig Yousuf Sadeque ·

    destroR: A Benchmark and Adversarial-Training Defense for Bangla Transfer Models under Meaning-Preserving Attacks

    arXiv:2511.11309v2 Announce Type: replace Abstract: Transformer-based transfer models now dominate Bangla sentiment classification, yet their adversarial robustness remains largely unexamined, and no prior study pairs a Bangla attack suite with a defense that measurably recovers …

相关实体

相关话题